Identificación de perfiles en la satisfacción de los usuarios de repositorios digitales a través de un árbol de regresión /  Identification of profiles in the satisfaction of users of digital repositories through a regression tree

En los últimos años, las universidades han promovido el acceso a los repositorios digitales para localizar fuentes de información que faciliten el proceso de investigación científica. Sin embargo, son escasos los estudios que han evaluado la satisfacción de los usuarios en relación con el empleo de estos recursos tecnológicos. Este trabajo, en consecuencia, tuvo como objetivo identificar perfiles en la satisfacción de estudiantes universitarios con el manejo de estas herramientas. Para ello, se aplicó un cuestionario con 26 preguntas agrupadas en 7 dimensiones que permitieron recabar respuestas de 219 participantes de una universidad con presencia en Nuevo Laredo y Ciudad Victoria (Tamaulipas, México). En esta labor, se analizaron dos variables como posibles predictores en la construcción de perfiles de satisfacción de uso: la primera se relacionó con la interfaz del repositorio (interactividad, confianza, oportunidad de acceso, facilidad de uso, atractivo visual e innovación), mientras que la segunda se vinculó con el estudiante (sexo, nivel de estudios máximo y lugar de origen). Para esta tarea se utilizó el paquete estadístico SPSS y se aplicó la técnica de minería de datos denominada árbol de regresión, con método de crecimiento denominado CRT (classification and regression trees). A partir de los datos recabados, se obtuvo un árbol que describe tres perfiles con niveles de satisfacción bajo, medio y alto. Las personas con bajo nivel de satisfacción fueron quienes percibieron que los repositorios no eran fáciles de utilizar. El nivel medio de satisfacción se observó en personas que consideraron que los repositorios eran fáciles de usar, aunque no tuvieron confianza en la seguridad que ofrecían ni percibieron un alto nivel de innovación en ellos. Por último, los más altos niveles de satisfacción se evidenciaron en estudiantes que opinaron que los repositorios eran fáciles de manejar y tenían un nivel confiable de seguridad. Los resultados hacen posible el entendimiento de la satisfacción de los usuarios en términos de las variables estudiadas, con el objetivo de priorizarlas en el diseño e implementación de nuevos repositorios institucionales para brindar mejores experiencias de uso orientadas al óptimo aprovechamiento de estos recursos.

Download Full-text

Important variable assessment and electricity price forecasting based on regression tree models: classification and regression trees, Bagging and Random Forests

IET Generation Transmission & Distribution ◽

10.1049/iet-gtd.2014.0655 ◽

2015 ◽

Vol 9 (11) ◽

pp. 1120-1128 ◽

Cited By ~ 36

Author(s):

Camino González ◽

Isabel Juárez ◽

José Mira-McWilliams

Keyword(s):

Random Forests ◽

Regression Tree ◽

Regression Trees ◽

Classification And Regression Trees ◽

Important Variable ◽

Electricity Price ◽

Price Forecasting ◽

Electricity Price Forecasting ◽

Tree Models ◽

Classification And Regression

Download Full-text

PENERAPAN SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE DALAM MENGATASI DATA TIDAK SEIMBANG PADA METODE CLASSIFICATION AND REGRESSION TREE

Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ◽

10.26418/bbimst.v9i1.38949 ◽

2020 ◽

Vol 9 (1) ◽

Author(s):

Rizky Dwi Permatasari, Setyo Wira Rizki, Naomi Nessyana Debataraja

Keyword(s):

Area Under Curve ◽

Regression Tree ◽

Regression Trees ◽

Classification And Regression Trees ◽

Classification And Regression Tree ◽

Classification And Regression

Metode Classification and Regression Trees (CART) merupakan teknik klasifikasi berbentuk pohon klasifikasi, yang menggambarkan hubungan antara variabel independen dan dependennya. Ketidakseimbangan data dapat menyebabkan rendahnya nilai sensitivitas dan nilai Area Under Curve (AUC). Salah satu metode yang dapat mengatasi data tidak seimbang adalah dengan melakukan Synthetic Minority Oversampling Technique (SMOTE). SMOTE merupakan teknik dengan penambahan data buatan pada kelas minoritas pada tahap sebelum menganalisis data. Tujuan dari penelitian ini untuk membandingkan model tanpa dan dengan SMOTE pada metode CART. Adapun untuk langkah-langkah dalam melakukan SMOTE yaitu dengan menentukan nilai oversampling sebanyak data yang akan dibangkitkan pada data kelas minoritasnya. Sedangkan untuk membentuk pohon klasifikasi yaitu dengan cara pemilihan pemilah, penentuan simpul terminal, penandaan label kelas, dan penentuan pohon klasifikasi optimal. Data yang digunakan dalam penelitian ini adalah data sekunder hasil survey sosial ekonomi nasional (SUSENAS) tahun 2017 di Kabupaten Sambas dengan 494 sampel yang terdiri dari 8 variabel independen dan satu variabel dependen. Hasil ketepatan klasifikasi penelitian ini, menunjukkan bahwa model dengan SMOTE menghasilkan nilai lebih akurat dibandingkan dengan model tanpa SMOTE. Hal ini dapat dilihat model dengan SMOTE menghasilkan nilai sensitivitas lebih tinggi yaitu 67,05% dari sebelumnya yaitu 36,36%, dan nilai AUC 94,35% lebih tinggi dari sebelum dilakukan SMOTE. Kata kunci: Pohon Klasifikasi, Ketepatan Klasifikasi, data tidak seimbang, Oversampling

Download Full-text

Preoperative hematocrit and platelet count are associated with blood loss during spinal fusion for children with neuromuscular scoliosis

Journal of Perioperative Practice ◽

10.1177/1750458920962634 ◽

2021 ◽

pp. 175045892096263

Author(s):

Margaret O Lewen ◽

Jay Berry ◽

Connor Johnson ◽

Rachael Grace ◽

Laurie Glader ◽

...

Keyword(s):

Platelet Count ◽

Blood Loss ◽

Spinal Fusion ◽

Regression Trees ◽

Classification And Regression Trees ◽

Neuromuscular Scoliosis ◽

Independent Variables ◽

Estimated Blood Loss ◽

Laboratory Results ◽

Classification And Regression

Aim To assess the relationship of preoperative hematology laboratory results with intraoperative estimated blood loss and transfusion volumes during posterior spinal fusion for pediatric neuromuscular scoliosis. Methods Retrospective chart review of 179 children with neuromuscular scoliosis undergoing spinal fusion at a tertiary children’s hospital between 2012 and 2017. The main outcome measure was estimated blood loss. Secondary outcomes were volumes of packed red blood cells, fresh frozen plasma, and platelets transfused intraoperatively. Independent variables were preoperative blood counts, coagulation studies, and demographic and surgical characteristics. Relationships between estimated blood loss, transfusion volumes, and independent variables were assessed using bivariable analyses. Classification and Regression Trees were used to identify variables most strongly correlated with outcomes. Results In bivariable analyses, increased estimated blood loss was significantly associated with higher preoperative hematocrit and lower preoperative platelet count but not with abnormal coagulation studies. Preoperative laboratory results were not associated with intraoperative transfusion volumes. In Classification and Regression Trees analysis, binary splits associated with the largest increase in estimated blood loss were hematocrit ≥44% vs. <44% and platelets ≥308 vs. <308 × 109/L. Conclusions Preoperative blood counts may identify patients at risk of increased bleeding, though do not predict intraoperative transfusion requirements. Abnormal coagulation studies often prompted preoperative intervention but were not associated with increased intraoperative bleeding or transfusion needs.

Download Full-text

Regional Mapping of Groundwater Potential in Ar Rub Al Khali, Arabian Peninsula Using the Classification and Regression Trees Model

Remote Sensing ◽

10.3390/rs13122300 ◽

2021 ◽

Vol 13 (12) ◽

pp. 2300

Author(s):

Samy Elmahdy ◽

Tarig Ali ◽

Mohamed Mohamed

Keyword(s):

Machine Learning ◽

Regional Scale ◽

Regression Trees ◽

Classification And Regression Trees ◽

Groundwater Potential ◽

Machine Learning Algorithms ◽

Conditioning Factors ◽

Potential Mapping ◽

Classification And Regression ◽

Groundwater Potential Mapping

Mapping of groundwater potential in remote arid and semi-arid regions underneath sand sheets over a very regional scale is a challenge and requires an accurate classifier. The Classification and Regression Trees (CART) model is a robust machine learning classifier used in groundwater potential mapping over a very regional scale. Ten essential groundwater conditioning factors (GWCFs) were constructed using remote sensing data. The spatial relationship between these conditioning factors and the observed groundwater wells locations was optimized and identified by using the chi-square method. A total of 185 groundwater well locations were randomly divided into 129 (70%) for training the model and 56 (30%) for validation. The model was applied for groundwater potential mapping by using optimal parameters values for additive trees were 186, the value for the learning rate was 0.1, and the maximum size of the tree was five. The validation result demonstrated that the area under the curve (AUC) of the CART was 0.920, which represents a predictive accuracy of 92%. The resulting map demonstrated that the depressions of Mondafan, Khujaymah and Wajid Mutaridah depression and the southern gulf salt basin (SGSB) near Saudi Arabia, Oman and the United Arab Emirates (UAE) borders reserve fresh fossil groundwater as indicated from the observed lakes and recovered paleolakes. The proposed model and the new maps are effective at enhancing the mapping of groundwater potential over a very regional scale obtained using machine learning algorithms, which are used rarely in the literature and can be applied to the Sahara and the Kalahari Desert.

Download Full-text